- •Теория принятия решений
- •Часть 2 нелинейное программирование, теория игр, многокритериальные задачи принятия решений
- •Введение
- •4. Нелинейное программирование
- •4.1. Характеристика задач
- •4.2. Условия оптимальности
- •4.3. Квадратичное программирование
- •4.4. Сепарабельное программирование
- •4.5. Задачи дробно-линейного программирования
- •4.6. Методы спуска
- •4.7. Методы одномерной минимизации
- •4.7.3. Метод деления интервала пополам
- •4.7.4. Метод золотого сечения
- •4.7.6. Метод первого порядка
- •4.8. Многомерный поиск безусловного минимума
- •4.8.1. Метод Гаусса – Зейделя (покоординатного спуска)
- •4.8.2. Метод Хука – Дживса (метод конфигураций)
- •4.8.3. Симплексный метод
- •4.8.4. Градиентные методы
- •4.8.6. Методы сопряженных направлений
- •4.8.7. Методы случайного поиска
- •Алгоритм с возвратом при неудачном шаге
- •Алгоритм с обратным шагом
- •Алгоритм наилучшей пробы
- •Алгоритм статистического градиента
- •4.8.8. Генетические алгоритмы
- •Исходная популяция
- •Результаты работы оператора скрещивания
- •Популяция первого поколения
- •4.9. Методы условной оптимизации
- •4.9.2. Метод проектирования градиента
- •4.9.3. Метод штрафных функций
- •Минимизация по методу Ньютона
- •4.9.4. Метод барьерных функций
- •Результаты поиска алгоритмом барьерных функций
- •4.9.5. Другие методы условной оптимизации
- •5. Методы теории игр в управлении
- •5.1. Теория игр в контексте теории принятия решений
- •5.2. Матричные игры с нулевой суммой
- •Использование линейной оптимизации при решении матричных игр. Пусть игра не имеет оптимального решения в чистых стратегиях, т.Е. Седловая точка отсутствует .
- •5.3. Игры с природой
- •5.4. Критерии, используемые для принятия решений
- •В играх с природой. Критерии, основанные
- •На известных вероятностях стратегий природы
- •Иногда неопределенность ситуации удается в некоторой степени ослабить с помощью нахождения вероятностей состояний на базе данных статистических наблюдений.
- •5.5. Оценка необходимости эксперимента
- •6. Многокритериальные задачи принятия решений
- •6.1. Основы многокритериальный оптимизации
- •6.2. Принцип оптимальности Парето.
- •6.3. Принцип равновесия по Нэшу
- •6.4. Конфликты, переговоры и компромиссы
- •6.5. Краткий обзор методов решения задачи векторной оптимизации
- •Значения компонентов вектор-функции
- •1. Оптимальность по Парето
- •Исходные данные для задачи оптимизации по Парето
- •Эффективность операции
- •2. Принятие решений в условиях неопределенности
- •Исходные данные для задачи принятия решения в условиях неопределенности
- •3. Многокритериальная оптимизация
- •Заключение
- •Библиографический список
- •Оглавление
- •Теория принятия решений
Значения компонентов вектор-функции
1,0748 |
0,7815 |
0,7358 |
0,3609 |
2 |
1,6784 |
Из вышеприведенной таблицы видно, что в результате оптимизации значения всех трех функций-составляющих уменьшились. Естественно, при использовании других весовых коэффициентов мы получили бы другие значения (но при любых значениях весовых коэффициентов тенденция уменьшения всех компонентов вектор-функции сохраняется).
Следует отметить, что задача целевого программирования может формулироваться несколько иным образом. ЛПР может просто указать, исходя из своих соображений, желательные, с его точки зрения, значения или диапазоны, в которых эти значения должны быть локализованы. При этой постановке задача решается практически аналогично, с тем отличием, что поиск оптимальных значений компонентов (первая часть решения) не проводится, а их значения (или диапазоны изменения) вводятся в качестве ограничений дополнительно к исходным ограничениям задачи.
Рекомендуемая литература: [6, 8, 9, 17, 19, 20, 22].
Задания для самостоятельной работы
1. Оптимальность по Парето
Инвестор рассматривает четыре инвестиционные операции со случайными эффективностями, описываемыми случайными величинами E1, E2, E3, E4 с рядами распределения, приведенными ниже для каждого варианта. Требуется определить, какие из этих операций оптимальны по Парето.
Исходные данные для задачи оптимизации по Парето
1. (0, 1/2) (2, 1/4) (4, 1/8) (16, 1/8) 13. (2, 1/2) (4, 1/4) (6, 1/8) (18, 1/8)
2. (0, 1/4) (4, 1/4) (6, 1/3) (12, 1/6) 14. (2, 1/4) (6, 1/4) (8, 1/3) (14, 1/6)
3. (0, 1/3) (1, 1/3) (2, 1/6) (8, 1/6) 15 (2, 1/3) (3, 1/3) (4, 1/6) (10, 1/6)
4. (0, 1/5) (4, 1/5) (6, 1/5) (10, 2/5) 16. (2, 1/5) (6, 1/5) (8, 1/5) (12, 2/5)
5. (0, 1/5) (1, 2/5) (5, 1/5) (14, 1/5) 17. (2, 1/5) (4, 2/5) (6, 1/5) (18, 1/5)
6. (0, 1/2) (8, 1/8) (16, 1/8) (20, 1/4) 18. (2, 1/2) (12, 1/8) (18, 1/8) (22, 1/4)
7. (0, 1/4) (4, 1/4) (10, 1/4) (14, 1/4) 19. (2, 1/4) (6, 1/4) (12, 1/4) (20, 1/4)
8. (0, 1/2) (4, 1/4) (5, 1/5) (20, 1/20) 20. (2, 1/2) (6, 1/4) (8, 1/5) (12, 1/20)
9. (0, 1/2) (4, 1/4) (8, 1/8) (32, 1/8) 21. (–6, 1/2) (–4, 1/4) (–2, 1/8) (10, 1/8)
10. (0, 1/4) (8, 1/4) (12, 1/3) (24, 1/6) 22. (–6, 1/4) (–2, 1/4) (0, 1/3) (–6, 1/6)
11. (0, 1/3) (2, 1/3) (4, 1/6) (16, 1/6) 23. (–6, 1/3) (–5, 1/3) (–4, 1/6) (3, 1/6)
12. (0, 1/5) (8, 1/5) (12, 1/5) (20, 2/5) 24. (–6, 1/5) (–2, 1/5) (0, 1/5) (4, 2/5)
В варианте с номером n необходимо выбрать операции с номерами n, n + 1, n + 2, n + 3 из числа приведенных выше (для каждой операции компактно записан ряд ее распределения: первое число в скобках означает возможное значение эффективности операции, а второе – вероятность соответствующего значения). Например, первая операция имеет эффективность, описываемую таким рядом распределения, как в табл. 6.2.
Таблица 6.2
Эффективность операции
-
Е1
0
2
4
16
р
1/2
1/4
1/8
1/8